SpiderWise

SpiderWise es un proyecto de web scraping desarrollado con PHP Symfony y la biblioteca HttpBrowser para recopilar información estructurada desde sitios web. Este repositorio incluye una implementación para scrapear múltiples páginas de un sitio específico y almacenar o analizar los datos extraídos.

Características

• Scraping de múltiples páginas con soporte para rangos dinámicos.
• Extracción de contenido HTML completo y datos específicos de cada elemento.
• Modularidad a través de servicios en Symfony para facilitar la reutilización.
• Escalabilidad para manejar scraping de grandes volúmenes de datos.

Requisitos

Asegúrate de tener instalados los siguientes componentes antes de comenzar:

• PHP 8.1 o superior
• Composer
• Symfony CLI (opcional, pero recomendado)
• Extensión cURL habilitada en PHP
• Navegador compatible con Symfony para desarrollo

Instalación

Sigue estos pasos para clonar y configurar el proyecto:

1. Clonar el repositorio:

   git clone https://github.com/RaulAM7/WebScrapping-PHP-SpiderWise.git
   cd WebScrapping-SpiderWise

2. Instalar las dependencias:

   composer install

3. Configurar variables de entorno: Crea un archivo .env.local y configura las variables necesarias (si aplica).

4. Iniciar el servidor de desarrollo: Si tienes instalado Symfony CLI:

   symfony server:start

   O usa el servidor PHP integrado:

   php -S localhost:8000 -t public

Uso

1. Scraping de empresas

Puedes iniciar el scraping de empresas ejecutando las siguientes rutas desde tu navegador o usando herramientas como Postman o curl:

• Scrapear todas las páginas: Visita:

  http://localhost:8000/scrape-companies
  

• Scrapear un rango de páginas personalizado: Edita los parámetros start y end en el método scrapeMultiplePagesCompanies del servicio BlogScraper.

2. Resultados

Los datos extraídos se mostrarán directamente en la página o en la terminal con el uso de dd() para depuración. Cada entrada incluirá:

• Nombre de la empresa
• Enlace principal
• Categoría o descripción
• Contenido HTML completo del bloque company-list

3. Extensión del scraper

Para adaptar el scraper a otros sitios web:

1. Crea un nuevo método en el servicio BlogScraper o un nuevo servicio basado en BaseScraper.
2. Modifica los selectores CSS y la lógica según la estructura HTML del sitio objetivo.

Estructura del Proyecto

• src/Controller/ScrapingController.php: Controlador que maneja las rutas de scraping.
• src/Service/Scrapers/BaseScraper.php: Servicio base para inicializar el cliente HTTP.
• src/Service/Scrapers/BlogScraper.php: Lógica del scraping, incluyendo el manejo de múltiples páginas.
• templates/: Plantillas Twig para renderizar los datos (opcional).

Dependencias

Este proyecto utiliza las siguientes dependencias principales:

• Symfony como framework PHP
• HttpBrowser para manejar solicitudes HTTP
• HttpClient para realizar solicitudes GET/POST

Instaladas con:

composer require symfony/browser-kit symfony/http-client

Límites a tener en cuenta

• Tiempo de ejecución: Si el scraping incluye muchas páginas, ajusta el tiempo de ejecución con set_time_limit() o usa un comando Symfony para correr en segundo plano.
• Evitar bloqueos: Agrega pausas (sleep) entre solicitudes para evitar saturar el servidor objetivo.

Próximas updates!

• Escalabilidad: Implementar almacenamiento en base de datos (Doctrine) para manejar datos masivos.
• Mutabilidad: Implementar más tipos de scrapeo de múltiples de tipos de fuentes
• Flexibilidad: Implementar cronjob para que la ejecución de los scrappings pueda ser flexible y no se limite a una ejecución

Contribución

¡Las contribuciones son bienvenidas! Por favor, abre un Issue o un Pull Request para sugerir mejoras o reportar errores.

O si lo prefieres escribeme a raulartilesm@gmail.com

Licencia

Este proyecto está licenciado bajo la licencia MIT. Consulta el archivo LICENSE para más detalles.